工程装备逆向建模中的点云配准技术研究

通过应用一种基于区域划分的Super4PCS算法用于点云全局配准,根据源点云与目标点云的重叠比例对点云进行区域划分,计算出能够实现最大比例重叠的区域;最后求解出各区域配准的旋转矩阵和平移向量,并将其用于全局配准,同时采用了基于重启加速ADMM改进的稀疏ICP算法用于点云局部配准。实验结果表明,所用算法在两配准点云低重叠比例时,能够有效地提高配准精度与配准效率,同时避免了陷入局部最优解的问题。     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。     

基于精细化改进多尺度快速样本熵的旋转机械故障诊断方法研究

为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题，提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用快速样本熵代替传统样本熵，通过改进重构向量匹配机制大幅降低了计算成本，而后使用改进的多尺度拓展方法代替传统的粗粒化方法，避免了幅值信息的丢失。在此基础上，结合最大相关最小冗余(Max-relevance and Min-redundancy, mRMR)方法及支持向量机(Support Vector Machine, SVM)分类器提出一种新的旋转机械故障诊断方法。使用齿轮箱和轴承两个故障数据集对提出方法的性能进行验证，同时将提出的方法与MSE,复合MSE(Composite Multiscale Sample Entropy, CMSE)及精细化复合MSE(Refined Composite Multiscale Sample Entropy, RCMSE)等现有方法进行对比。结果表...